Soutenance mémoire
Contexte et objectifs
Présentation de l’organisme d’accueil
L’UMR DYNAFOR[0] (DYNamique des paysages Agri-FORestiers) associe depuis 2003 des chercheurs de l’INRA ainsi que des enseignants-chercheurs de l’ENSAT (Ecole Nationale Supérieure Agronomique de Toulouse). L’effectif est de 54 membres permanents. Les travaux de recherche de DYNAFOR sont destinés à résoudre des problèmes actuels ou prévus concernant la biodiversité dans les milieux ruraux. Les objectifs de DYNAFOR sont l’étude de processus et la mise en place d’outils de conservation de la biodiversité. L’UMR regroupe plusieurs disciplines :
• des disciplines biotechniques : agronomie, zootechnie, ou foresterie
• des disciplines liées à l’écologie : l’écologie du paysage, l’écologie forestière ou l’entomologie
• des savoir-faire dans le domaine de la modélisation, de l’utilisation de méthodes d’analyse des données comme les réseaux neuronaux, de l’analyse d’images satellitaires et de photographies aériennes ainsi que de la gestion de données à l’aide de SIG. La télédétection est une petite partie des travaux de DYNAFOR mais intervient dans d’importants projets en cours, comme par exemple :
• le projet MUESLI (INP) : combinaison d’imagerie hyperspectrale et de LIDAR pour estimer des services écosystémiques
• le projet HyperBio (CNES) : estimation de variables de biodiversité à partir d’un imageur hyperspectral .
Enjeux de la cartographie des essences arborées
La connaissance de la composition des forêts est indispensable pour la gestion mais aussi pour évaluer la biodiversité forestière et son évolution. Il existe des cartes d’essences forestières à l’échelle nationale produite par l’IGN (ex-IFN) – la BDForêt. En revanche ces cartes ne sont pas régulièrement mises à jour (1996 pour la Haute-Garonne). De plus, seules les espèces les plus présentes sont représentées. Il est impossible d’obtenir des données précises récentes en se basant uniquement sur ces cartes. Pourtant, ces données actualisées sont nécessaires pour organiser les opérations sylvicoles et estimer la biodiversité abritée par la forêt. Les orientations politiques en matière d’environnement font que des données plus précises doivent être disponibles afin d’optimiser la gestion des ressources forestières. La télédétection est utilisée depuis longtemps pour cartographier les forêts (première photographie à partir d’un ballon en 1858)[8]. Les techniques ont considérablement évoluées en particulier au cours des dernières décennies. Récemment le capteur Sentinel-2B a été lancé pour donner avec son jumeau Sentinel2A des images satellitaires tous les 5 jours. Jusqu’à présent les imageurs étaient multi-spectraux (en général 4 à 7 bandes spectrales, 13 pour Sentinel-2). L’information sur plusieurs bandes spectrales permet de détecter des différences entres des essences proches en terme de réflectance. Toutefois, la discrimination des essences reste un problème délicat car la signature spectrale peut présenter une forte variabilité intra-spécifique qui dépasse dans certains cas la variabilité inter-spécifique. Plusieurs facteurs rentrent en compte : la hauteur du peuplement, son âge, son état sanitaire et nutritionnel, son stade phénologique (stade de développement dans la saison), etc. La télédétection hyper-spectrale est le moyen retenu pour aborder ce problème[6]. La plus haute résolution spectrale permet de tenir compte de différence ténues entre essences sur une plus grande largeur de spectre.
Classification : cas général
Dans la plupart des configurations, la meilleure performance est atteinte pour une résolution spatiale de 8m. Cette observation n’est pas intuitive, on attend une meilleure classification pour de meilleures résolutions spatiales. L’explication peut être la suivante. A une résolution de 2m, les pixels de référence sont retenus par photo-interprétation au milieu d’un arbre. Nous sommes certains que tous les points correspondent à la bonne espèce. Mais d’un arbre à l’autre, l’éclairement solaire peut varier, le relief peut être très prononcé dans certains cas, etc. Nous nous retrouvons donc avec une classe qui peut avoir une importante variance intra-classe. De plus, certaines espèces comme le chêne et le charme sont très proches en terme de réflectance. C’est à dire que leur variance inter-classe (distance entre les deux spectres) est faible. En augmentant la résolution spatiale, le pixel de référence ne correspond plus à un morceau de l’arbre mais à l’arbre tout entier. De cette façon, la variance intra-classe est réduite.
Spectres HYPXIM réflectance TOC
Les spectres sont différents d’une résolution à l’autre. Ils sont facilement séparables pour une résolution spatiale de 2m. Cependant ils sont très proches les uns des autres pour une résolution de 8m. On voit très bien que lorsqu’on augmente la résolution spatiale, les spectres s’éloignent les uns des autres : la variance inter classe devient suffisamment grande devant la variance intra-classe. Les ombres sont omniprésentes sur les photographies. Ce sont de petites zones entre les arbres, donc dès que la résolution spatiale se dégrade, beaucoup de pixels deviennent un mélange « arbre + ombre ». De ce fait la plupart des zones pures disparaissent à partir de 8m de résolution spatiale. Le spectre des ombres pour une résolution de 8m est très proche des autres espèces. Ces résultats confirment le choix pressenti d’une résolution spatiale inférieure à 8m.
Spectres HYPXIM réflectance TOA
Les spectres dans ce cas sont moins sensibles à la résolution spatiale. Les résineux et les feuillus sont assez distincts pour 2m comme pour 8m. Le robinier est la seule essence à conserver la même luminance lorsqu’on dégrade la résolution spatiale à 8m. L’explication est la suivante. Les pixels d’intérêt correspondants à cette espèces ont été choisis dans une zone très homogène. A 8m, les pixels sont toujours purs. Ils ne sont pas mélangés à des ombres ou d’autres essences. De ce fait, le spectre correspondant est bien distinct des autres. Cela montre l’importance du choix des régions d’intérêt, qui ne doivent pas être dégradées par de plus faibles résolutions spatiales.
L’hypothèse qui consiste à dire que les classifications sont meilleures au niveau capteur (TOA) n’est pas vérifiée alors que les spectres semblent d’avantage cohérents. Ce phénomène peut encore une fois s’expliquer par une variance inter classe trop faible. Si on regarde un spectre au niveau TOA, les feuillus sont globalement bien éloignés des résineux. Mais à l’intérieur de ces catégories, les spectres restent très proches les uns des autres.Même si leur agencement est plus cohérent, les espèces restent difficiles à séparer. Autrement dit, la variance inter-classe feuillus-résineux est satisfaisante, mais la variance chêne-charme (par exemple) n’est pas suffisamment élevée.
Classification résineux/feuillus
Les résultats de la classification sont largement meilleurs que pour une classification de niveau 0. Les classes feuillus et résineux sont assez équilibrées en terme d’effectif. Les erreurs liées à la différence d’effectif entre toutes les classes du niveau 0 sont évitées. Les ombres sont sous-représentées, mais restent une classe très bien séparable des deux autres. L’effet de la dégradation de la résolution spatiale se fait moins ressentir. En effet, les zones de mélanges entre plusieurs feuillus ou plusieurs résineux resteront des zones « pures ». La diminution de la résolution spatiale n’aura d’effet négatif que pour les zones de contact entre feuillus et résineux. Les performances étant plus importantes pour une telle classification, les conséquences d’une dégradation de la résolution sont moindres. Pour 15m de résolution spatiale, on observe tout de même un F-score moins important. Néanmoins la proportion de résineux et de feuillus bien classés est importante par rapport à une classification de niveau 0.
|
Table des matières
1 Contexte et objectifs
1.1 Présentation de l’organisme d’accueil
1.2 Enjeux de la cartographie des essences arborées
1.3 Mission spatiale HYPXIM et Projet HyperBio
1.4 Problématique et objectifs du stage
2 État de l’art
3 Données
3.1 Zone d’étude
3.2 Données de référence
3.3 Images hyperspectrales
4 Démarche méthodologique
4.1 Prise en main des images aéroportées
4.2 Simulation d’images HYPXIM
4.3 Classification supervisée des images aéroportées et simulées
4.3.1 Classifieurs
4.3.2 Indicateurs de qualité
4.3.3 Protocole
5 Résultats
5.1 Images simulées
5.2 Classification générale
5.3 Classification feuillus/résineux
6 Discussion
6.1 Classification : cas général
6.2 Classification résineux/feuillus
7 Conclusion et perspectives
8 Bibliographie
9 Annexes
